Методы машинного обучения могут ускорить моделирование ледников в 1000 раз

Разработана новая модель, способная моделировать динамику льда и его взаимодействие с климатом до тысячи раз быстрее, чем предыдущие аналоги. Она позволяет прогнозировать эволюцию ледников и ледяных щитов в различных сценариях. Поскольку талая вода с ледников — ключевой компонент повышения уровня моря, такие модели являются ценным инструментом для оценки их будущего вклада.

Новая Instructed Glacier Model использует подход машинного обучения, что значительно ускоряет расчеты при сохранении высокой точности. Это позволяет проводить больше симуляций с разными входными данными и изучать более широкий круг вопросов. Модель заменяет наиболее требовательные к вычислениям компоненты искусственной нейронной сетью, обученной на больших наборах данных из физических моделей. Ведущий разработчик Гийом Жуве из Университета Цюриха поясняет: «В каком-то смысле вы сокращаете путь в физическом моделировании, делая вычислительный выигрыш значительно дешевле».

«Самая затратная часть — это вычисление динамики, потому что она включала сложную физику. Машинное обучение ускорило эту часть модели. В результате мы можем моделировать ледник с той же точностью, но гораздо быстрее», — отметил Жуве. Теперь он планирует использовать модель для реконструкции эволюции ледников в Альпах за последний 100 000-летний ледниковый цикл: «Традиционные модели могут занимать несколько недель, теперь это может занять час».

Однако внедрение ИИ и машинного обучения сталкивается со скептицизмом и проблемами, такими как вопросы этики, неопределенности, объяснимости и воспроизводимости результатов. Как отмечает Лаура Сандовал из Университета Колорадо в Боулдере, большинство усилий по внедрению ИИ в геонауках все еще находятся на начальной стадии. Тем не менее, учитывая большие инвестиции, в ближайшие годы можно ожидать расцвета соответствующих исследований.